异常交易检测方法以及相关设备技术

本申请公开了一种异常交易检测方法以及相关设备，可以获取实时交易数据，并提取所述实时交易数据的交易特征信息；将所述交易特征信息输入预训练的深度神经网络模型，对所述交易特征信息进行线性变换和非线性激活计算，得到第一输出概率；将所述交易特征信息输入预训练的支持向量机模型，对所述交易特征信息进行线性变换和非线性映射计算，得到第二输出概率；根据所述深度神经网络模型的检测准确率和所述支持向量机模型的检测准确率，将所述第一输出概率和所述第二输出概率进行融合，得到融合概率；根据所述融合概率，确定交易行为的实时交易状态。本申请可以准确、及时地检测出异常交易。

【技术实现步骤摘要】

本申请涉及计算机，具体涉及一种异常交易检测方法以及相关设备。

技术介绍

1、为了避免用户在使用线上交易系统进行支付交易时，资产、信息被骗取，目前的很多线上交易系统实施了异常交易检测方案。

2、现有的异常交易检测方案主要包括基于规则的方案和基于机器学习的方案。用户发起交易请求后，交易系统会应用预定义的规则进行规则基础的检测，识别出可疑的交易作为潜在的异常交易行为。同时，交易系统也会将数据输入到机器学习模型中，模型通过学习正常的交易行为模式进行模式识别，识别出与这些模式显著不同的交易，这些交易也可能是异常交易行为。

3、基于规则的方案主要是根据一些预定义的规则来识别异常交易行为，例如，如果一个用户在短时间内进行了大量的交易，或者一个用户的交易金额远超过其平均交易金额，那么这些交易可能被认为是异常交易行为。但是这些预定义的规则需要人工设定的调整，可能无法覆盖所有的异常交易行为模式，此外，异常交易行为的模式可能会随着时间的推移而变化，预定义的规则无法适应这些变化。

4、基于机器学习的方法主要是使用一些机器学习模型，如决策树、随机本文档来自技高网...

【技术保护点】

1.一种异常交易检测方法，其特征在于，包括：

2.根据权利要求1所述的异常交易检测方法，其特征在于，在所述根据所述深度神经网络模型的检测准确率和所述支持向量机模型的检测准确率，将所述第一输出概率和所述第二输出概率进行融合，得到融合概率之前，还包括：

3.根据权利要求2所述的异常交易检测方法，其特征在于，所述基于所述验证样本数据计算训练后的所述深度神经网络模型的检测准确率，作为所述深度神经网络模型的置信度，包括：

4.根据权利要求2所述的异常交易检测方法，其特征在于，所述基于所述验证样本数据计算训练后的所述支持向量机模型的检测准确率，作为所述支持向量机模...

【技术特征摘要】

1.一种异常交易检测方法，其特征在于，包括：

2.根据权利要求1所述的异常交易检测方法，其特征在于，在所述根据所述深度神经网络模型的检测准确率和所述支持向量机模型的检测准确率，将所述第一输出概率和所述第二输出概率进行融合，得到融合概率之前，还包括：

3.根据权利要求2所述的异常交易检测方法，其特征在于，所述基于所述验证样本数据计算训练后的所述深度神经网络模型的检测准确率，作为所述深度神经网络模型的置信度，包括：

4.根据权利要求2所述的异常交易检测方法，其特征在于，所述基于所述验证样本数据计算训练后的所述支持向量机模型的检测准确率，作为所述支持向量机模型的置信度，包括：

5.根据权利要求2所述的异常交易检测方法，其特征在于，所述根据所述深度神经网络模型的检测准确率和所述支持向量机模型的检测准确率，将所述第一输出概率和所述第二输出概率进行融合，得到融合概率，包括：

6.根据权利要求2所述的异常交易检测方法，其特征在于，所述采用训练样本数据对初始深度神经网络模型进行训练，得到训练后的深度神经网络模型，包括：

7.根据权利要求2所述的异常交易检测方法，其特征在于，采用训练样本数据对初始支持向量机模型进行训练，得到训练后的支持向量机模型，包括：

8.根据权利要求1所述的异常交易检测方法，其特征在于，所述根据所述深度神经网络模型的检测准确率和所述支持向量机模型的检测准确率，将所述第一输出概率和所述第二输出概率进行融合，得到融合概率...

【专利技术属性】
技术研发人员：林岳，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：